(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210157359.4 (22)申请日 2022.02.21 (71)申请人 沈阳理工大 学 地址 110159 辽宁省沈阳市 浑南新区南屏 中路6号 (72)发明人 张德育　刘猛　王君　 (74)专利代理 机构 沈阳东大知识产权代理有限 公司 21109 专利代理师 梁焱 (51)Int.Cl. G06V 20/00(2022.01) G06V 10/44(2022.01) G06V 10/764(2022.01) G06V 10/82(2022.01) G06K 9/62(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于卷积神经网络的低空小飞行物检测方 法 (57)摘要 本发明提供一种基于卷积神经网络的低空 小飞行物检测方法， 涉及目标检测技术领域。 本 发明的方法分别从提高模型获取小目标语义信 息的能力以及模型对候选框的准确定位这两个 角度进行优化和改进。 通过改进特征提取网络的 结构， 采用跳跃链接的残差结构来提高模型对小 目标的敏感程度； 在后处理部分， 利用soft ‑nms 去优化冗余锚框， 提高模型在 待检测物密集出现 情况下的准确率； 在锚框的生成上， 采用ROI   Align， 用线性内插算法替换原本的两次取整操 作， 提高模型对低空小目标检测的位置精度， 使 卷积神经网络模型能够精确检测低空小飞行物。 权利要求书2页 说明书6页 附图7页 CN 114529805 A 2022.05.24 CN 114529805 A 1.一种基于卷积神经网络的低空小飞行物检测方法， 其特征在于： 该方法包括以下步 骤： 步骤1： 首先对所有的数据样本图片重新进行尺寸的调整， 将图像缩放成固定大小， 即 800×600， 模型将图片数据集送入 特征提取网络Resnet50， 经过卷积层、 池化层的一系 列操 作运算， 输出特征图； 步骤2： 将特征图传入区域候选网络， 在区域候选网络中利用k ‑means聚类算法对数据 样本集中的真实框的尺寸进行聚类； 步骤3： 对聚类后的锚框尺寸进行线性缩放处理， 然后在区域候选网络中进行正负样本 的划分和对锚框位置的修正， 区域候选网络将正负样本得分和锚框的坐标参数分别通过两 个全连接层， 第一个全连接层用来生成这些锚框的目标概率， 产生正样本的得分和负样本 的得分， 第二个全连接层用来编 码每个锚框的四个坐标值， 即计算锚框的偏 置量， 使得候选 框更接近真实框， 最终计算出候选区域； 步骤4： 在计算出候选区域之后， 利用soft ‑nms算法对锚框置信度进行优化， 优化锚框 的数量， 降低重合锚框的权 重， 将优化后的候选区域传入ROI  Align层； 步骤5： ROIAlign层将不同尺寸的候选区域进行固定， 将候选区域 映射回原图中， 通过 全连接层对低空小飞行物进行最后的结果预测。 2.根据权利要求1所述的基于卷积神经网络的低空小飞行物检测方法， 其特征在于： 所 述步骤2的k ‑means聚类算法的计算中引入IoU值， 定义距离d来表示误差， d的计算公式如 (3)所示： d＝1‑IoU                            (3) 其中， IoU(Intersection  over Union)是衡量两个锚框之间的重合度， 计算锚框之间 的交并比得到的， 在聚类算法中I oU指的是每 个聚类中心与其它的框的重合 程度； 经过聚类运算， 得到9种锚框的[宽,长]尺寸为： {[9.36,9.24]、 [14,17.81]、 [16.9, 27.82]、 [21.97,38.39]、 [26.61,22.68]、 [30.16,54.87]、 [34.53,33.73]、 [46.17,48.92]、 [63.41,83.76]}。 3.根据权利要求2所述的基于卷积神经网络的低空小飞行物检测方法， 其特征在于： 所 述步骤3中对聚类后的锚框尺寸进行线性缩放处 理的计算过程如公式(4)～(7)所示： x′1＝α x1                                (4) x′9＝β x9                               (5) 其中， xa、 ya为第a个锚框的宽和长， x ′a、 y′a为第a个锚框缩 放后的宽和长， a＝1,2, …,9； α 、 β 为常量， 分别取0.5和1.5 。 4.根据权利要求3所述的基于卷积神经网络的低空小飞行物检测方法， 其特征在于： 所 述soft‑nms算法利用高斯权 重函数筛 选冗余的锚框， 具体如公式(8)所示： 权　利　要　求　书 1/2 页 2 CN 114529805 A 2其中， M为当前 得分最高框， bi为待处理框， si为bi的得分， σ 为超参数； 通过对比待检测物的IOU值， 保留置信度最大的锚框 。 5.根据权利要求2所述的基于卷积神经网络的低空小飞行物检测方法， 其特征在于： 所 述步骤5中ROI  Align层将不同尺寸的候选区域进行固定时， 对每一个候选区域， 对应缩放 后保留浮点数， 然后均匀划分成四个小区域， 在每一个小区域内利用线性内插算法进行像 素值提取； ROIAl ign的反向传播公式如公式(9)所示： 式中， xi代表池化前特征图上的第i个像素点； yrj代表池化后的第r个候选区域的第j个 点， d(.)为池化前特征图上的像素点； Δh为xi与xi*(r， j)横坐标的差值； Δw为xi与xi*(r， j)纵 坐标的差值， xi*(r， j)是一个浮 点数的坐标位置， 即前向传播时计算出来的采样点； 在反向传播的过程 中， ROI Align不再只 针对某一个点的像素值， 它是针对某一个范围 之内的像素值， 利用映射到特征图中的浮点坐标作为圆心， 将半径为 1的圆内所有 特征点全 部回传， 即每一个与xi*(r， j)横纵坐标均小于1的点。权　利　要　求　书 2/2 页 3 CN 114529805 A 3